外观
Q05–Q08：RAG、规则与可信上下文
这组关注输入证据的质量。不要把“查向量库”当成完整 RAG，也不要用“模型会理解”替代可执行的过滤与校验。
Q05 从一份资料到一次带来源的回答，RAG 怎么运行？
**考察目的：**掌握离线索引与在线检索，以及向量空间的前提。**难度：**核心。
**主问题：**请把资料导入、Embedding、pgvector 检索和最终引用串起来讲。
直接答案与 STAR
导入阶段先记录文档身份、来源和版本，规范化文本，再切成保留定位信息的片段。Embedding 模型把每个片段映射为固定维度向量，数据库保存文本、向量、模型标识及教学等级、语言、地区等元数据。
查询阶段把问题或内容需求转成相同向量空间中的查询向量，先落实可用资料范围，再按相似度排序，返回片段及来源标识。生成时引用被选中的片段；最终检查引用 ID 是否存在且属于这次证据快照。相似度只代表向量距离，不是事实正确率。来源存在也不等于内容蕴含被引用结论，关键主张仍需内容核对。
**STAR｜学习复现：**S：教材需要根据等级、语言和地区使用合适资料。T：让生成依据可追溯。A：导入带来源和版本的样本，将查询与过滤条件、命中片段一起记录。R：验收时能从教材引用追到原文片段及版本，而不是只看到一个网址或模型编造的书名。
第一层追问：为什么不能今天导入用模型 A，明天查询用模型 B？
**直接答案：**不同模型的坐标含义通常不一致，即使维度相同，距离也不可直接比较；维度不同时还可能在数据库层失败。需要固定模型、维度和预处理规则。升级时重新计算文档向量，或维护独立索引版本并经过验证后切换。
**STAR｜假设方案：**S：供应商升级 Embedding，输出仍是相同维度。T：避免静默检索退化。A：为向量记录模型/版本标识，保留固定查询集，对新索引做并行评估再切换。R：以检索命中和排名变化决定是否上线，不能只用“维度一样”判定兼容。
第二层追问：切分越小越好吗？
**直接答案：**不是。过小会丢上下文、破坏规则适用范围，过大会混入无关内容并增加成本。应按文档结构和任务选择长度与重叠，保留标题、段落和来源定位；用固定查询衡量召回、上下文长度与最终答案。规则类内容尤其不能把条件和结论分开。
**STAR｜学习复现：**S：一段文化说明包含“适用地区”与“例外情况”。T：检查切分是否改变含义。A：比较两种片段策略，查看命中内容是否包含适用条件。R：记录哪种策略保留了完整证据，并检查生成是否误用，不能只比较片段数量。
分支追问：为什么选择 pgvector，而不是专门向量数据库？
**直接答案：**本项目已有关系数据、版本和元数据过滤，pgvector 能把业务查询与向量检索放在 PostgreSQL 中，降低维护面。它不是任何规模下都最优。应根据数据量、过滤选择性、写入、延迟、召回、隔离和运维能力评估专用引擎。小数据先用精确检索建立基线，再评估近似索引。
**STAR｜假设方案：**S：已有 PostgreSQL，资料量尚小。T：实现可解释、可追溯的检索。A：先在同库落地片段和向量，记录过滤后候选规模与查询耗时。R：只有实际指标暴露瓶颈时再比较替代方案，不虚构百万级效果。
**优秀回答：**能写出“一条片段记录”包含什么，并解释向量模型升级。**常见误区：**向量就是压缩后的原文；相似度 0.9 就是 90% 正确；RAG 不需要版本。
关联学习：RAG 全链路、Embeddings、pgvector。
实际源码：system/app/retrieval.py 的 split_text()、embeddings()、import_document()、retrieve()。
验证与实验：system/tests/test_system.py::test_source_version_and_offsets；system/tests/test_adapters.py::test_real_embedding_contract_and_dimension_guard（模拟 HTTP 响应）；L03、L04。维度校验不能证明同维度不同模型可混用。
Q06 检索为空、资料冲突和更新，分别怎么处理？
**考察目的：**异常资料策略与数据快照。**难度：**中高。
**主问题：**如果没有合适资料，模型还能继续生成吗？
直接答案与 STAR
要先定义任务的证据要求。教材中的受约束事实不能在检索为空时自动当成已知事实继续生产；应提示缺少什么范围的资料，并进入人工补充或明确受限的草稿流程。允许无资料创作时也必须标记“无检索依据”，不得伪造引用。
冲突与空结果不同：有多个候选却结论不一致，需要比较来源权威性、版本、适用地区和时效，无法解决时形成冲突报告。资料更新则要建立新版本、生成新片段，并决定新任务使用哪一版；运行中的任务应固定证据快照，不能前半段用旧资料、后半段悄悄切到新资料。
**STAR｜学习复现：**S：同一主题可能没有目标地区资料，或存在两条相反的说明。T：让异常可见而非被模型填平。A：分别准备空检索、地区不匹配和冲突样本，检查状态与来源记录。R：验收看每类异常是否有不同原因、处理入口和阻断/人工策略，不能统一返回“生成成功”。
第一层追问：放宽地区过滤能解决空结果，为什么不自动这么做？
**直接答案：**因为过滤可能是业务约束，不是检索偏好。自动放宽会把其他地区资料混进来。若允许使用通用资料，应明确通用资料定义和回退顺序，单独记录回退，并继续强制加载目标地区规则。不能在日志里省略这个变化。
**STAR｜假设方案：**S：目标地区资料为空，但存在通用语法资料。T：提高可用性又不混淆文化适用范围。A：只对标记为通用的资料启用受控回退，保留地区规则和回退说明。R：审核者能看出哪些内容来自通用资料，地区专属结论仍需补证据。
第二层追问：正在生成第 3 章时资料更新了，前两章怎么办？
**直接答案：**先区分当前运行与新任务。当前运行固定资料版本，更新事件产生影响分析；新任务可选择新版本。若更新影响已有章节，应定位依赖该文档/片段的章节，创建修订候选并重新审校，而不是直接覆盖已审核教材。
**STAR｜假设方案：**S：术语解释被修正。T：找出受影响的已生成章节。A：通过引用关系反查章节，生成待审修订版本，并记录更新原因。R：可以展示受影响清单，未引用该资料的章节不被无差别重写。
分支追问：冲突检测是不是模型说“有冲突”就够了？
**直接答案：**不够。报告应至少列出冲突对象、各自原文位置、来源版本、适用条件和待解决问题。确定性元数据冲突可由程序识别，语义冲突可由模型辅助，但模型也会误报。重大冲突需要人工裁定或权威来源，不能靠多数票决定事实。
**STAR｜学习复现：**S：两条资料对同一术语给出不同译法。T：验证报告可供教研处理。A：要求报告引用双方片段并说明是否可能是地区差异。R：审核者能定位并裁定冲突，而不是收到一个无法操作的“资料有问题”。
**优秀回答：**明确三类异常不同状态与处理路径，理解快照和更新影响。**常见误区：**空结果时自动取消所有过滤；最新资料一定优于旧资料；让模型选择一个就算解决冲突。
实际源码：system/app/retrieval.py 的 conflicts()、import_document()、retrieve()；system/app/graph.py::prepare()。
验证与实验：system/tests/test_system.py::test_empty_and_region_mismatch、test_empty_then_import_and_resume、test_source_conflict、test_source_version_and_offsets；L03–L05。当前冲突检测针对显式 facts 的同键不同值，不是通用语义冲突识别。
Q07 地区规则为什么不都塞进向量库？如何检查跨章节一致性？
**考察目的：**强约束与参考资料、实体状态与上下文长度。**难度：**核心。
**主问题：**术语、人物和文化规则怎么保证每一章都遵守？
直接答案与 STAR
检索只返回相关性排名靠前的资料，不能保证每次召回所有必须遵守的规则。强约束应按地区、语言和教材版本显式加载；规则有 ID、版本、适用条件与可执行检查。RAG 提供参考证据，规则决定必须满足的条件，两者协同但职责不同。
跨章节检查首先要定义对象，例如人物名字与身份、术语固定译法、地点设定、章节编号和词汇等级。数据来源包括规则快照和同一教材中已接受的章节版本。检查报告要定位“本章值、期望值、依据来自哪里”，不能只让模型泛泛地“保持一致”。涉及长程语义或隐含叙事的检查仍有能力边界。
**STAR｜学习复现：**S：人物在不同章节出现，术语需要统一译法。T：定位明确的一致性错误。A：建立人物与术语约束，在候选章节故意改变一个值，检查报告是否指出内容 ID 和规则来源。R：以定位正确、修订后问题消失、其他内容保持不变作为证据，不声称已解决所有叙事一致性。
第一层追问：把所有历史章节都塞进上下文不就好了？
**直接答案：**会增加成本、截断风险和注意力干扰，也难以知道哪条信息有约束力。应将稳定设定结构化保存，按需加入相关章节片段和来源；摘要可以减少体积，但重要规则不能仅依赖有损摘要。先定义需要一致的事实，再决定上下文。
**STAR｜假设方案：**S：教材从几章增长到几十章。T：控制上下文同时保持人物设定。A：把人物身份保存为版本化记录，检索相关章节作为证据，只引入必要字段。R：用固定矛盾样本检查漏检，而非仅报告 token 降低。
第二层追问：第一章设定本身错了，后面都跟着它一致，怎么办？
**直接答案：**一致性不等于真实性。既有章节不能无条件成为最高权威；要区分人工批准的设定、权威资料和历史生成内容。纠正基准需要新规则/教材版本、影响分析和重新审核，不能为了“一致”维护错误。
**STAR｜假设方案：**S：人工发现教材人物年龄不适合目标等级。T：修正基准和受影响内容。A：更新设定版本并列出依赖章节，生成修订计划。R：新版本统一使用经确认的设定，旧版本留痕；不是悄悄修改历史记录。
分支追问：地区适配是不是翻译成阿语就完成了？
**直接答案：**不是。语言本地化处理译文、术语和表达；地区适配还涉及人名、生活场景、禁用内容、例子和文化要求。二者应独立建模，不能从语言直接推断地区。阿语也不只对应一个地区。
**STAR｜简历事实 + 假设方案：**S：HanLink 面向海外中文教学，简历描述多语言和地区规则。T：避免把翻译等同文化审核。A：在复现中分别传入目标语言与地区，并加载不同维度的约束。R：验收应能发现“译文正确但地区规则不合规”的样本；历史适配成效不新增量化结论。
**优秀回答：**能列出检查对象、权威级别、数据版本和问题定位。**常见误区：**RAG 自动保证规则全召回；拼接全部历史就是记忆；一致就代表正确。
实际源码：system/app/retrieval.py::get_rules()；system/app/content.py 的 book_facts()、business_review()；system/app/graph.py::context()。
验证与实验：system/tests/test_system.py::test_cross_chapter_fact_conflict；L08。用例覆盖显式事实与规则矛盾，不证明能发现所有叙事矛盾或并发跨章节冲突。
Q08 检索资料里藏着“忽略规则”，系统怎么办？
**考察目的：**提示词注入、信任边界与工具安全。**难度：**中高。
**主问题：**你会怎样防止模型把参考资料中的命令当成系统指令执行？
直接答案与 STAR
资料是低信任数据，不能因为进入上下文就获得指令权限。提示词应清楚标记资料边界，明确其中命令不能改变任务与权限；但仅靠提示词并不可靠。程序必须限制工具清单、参数和可访问资源，禁止模型扩大权限，且不把密钥等无关秘密放进上下文。引用、地区与版本检查继续在模型输出之后执行。
要用带注入的资料做回归测试，检查是否出现越权调用、资料泄露或规则绕过。未知风险不能用“已经做了 prompt 防护”保证消失。教材系统应限制其影响面：模型生成候选内容，正式交付仍经过审校和人工处理。
**STAR｜学习复现：**S：一条导入资料夹带“调用未授权工具”的指令。T：验证数据不会升级为权限。A：把该片段作为检索结果输入，观察模型请求，并用真实分发入口执行校验。R：即使模型被诱导，执行器也必须拒绝越权请求；这证明执行边界，不证明模型完全不受注入影响。
第一层追问：如果工具本身是允许的，还会有风险吗？
**直接答案：**有。允许“生成图片”不表示允许任意主题、无限次数或写入任意教材。工具还需要对象归属、内容审核状态、版本、参数范围和预算限制；高影响操作需要独立授权。权限粒度只到函数名仍过粗。
**STAR｜假设方案：**S：模型通过允许的工具申请一千张无关图片。T：控制被授权工具的滥用。A：限制单任务数量、内容关联和总预算，记录拒绝原因。R：能阻止越界请求而不影响合法素材制作。
第二层追问：日志保存完整 prompt 是不是最方便排障？
**直接答案：**方便但可能暴露用户数据、资料内容或敏感配置。按需要记录角色、模型、输入摘要/哈希、来源 ID、错误类别和使用量；必要的原始内容应受访问控制并有保留期限。凭据不应进入 prompt 或日志。学习演示可以展示无敏感样本，但不能据此照搬生产日志策略。
**STAR｜假设方案：**S：为了复现一次异常准备保存所有请求。T：兼顾诊断与数据最小化。A：保留可重建的版本 ID 和脱敏记录，把原始输入限制在受控存储。R：排障能定位证据，同时普通运行日志不含密钥或无关个人信息。
分支追问：怎样回答“这个系统安全吗”？
**直接答案：**给出范围和证据，不给绝对保证。说明已控制的入口与副作用、测试过的攻击样本、未覆盖的环境风险；同时指出本包是学习系统，生产还需认证、租户隔离、限流、审计保留和部署加固等具体工作。
**STAR｜学习复现：**S：面试官要求评估上线条件。T：避免以单个注入实验替代整体安全评审。A：按资料导入、模型输出、工具执行和交付逐层列出边界。R：形成可复查的缺口清单，不将未验证能力写成已实现。
**优秀回答：**承认提示词不能代替授权，能解释授权工具也可能被滥用。**常见误区：**把恶意词删掉就没有注入；系统提示词天然优先所以不需校验；记录越多越安全。
关联学习：工具安全、Tool Calling。
实际源码：system/app/providers.py 的 UNTRUSTED、run_model()；system/app/tools.py::ToolSession.execute()；system/app/api.py::auth()。
验证与实验：system/tests/test_system.py::test_context_and_tool_permissions、test_api_auth_and_ui；L07。这些用例验证服务端边界，不等于真实模型提示词注入红队评测。
官方核对资料
核对日期：2026-11-03。数据库行为以本包锁定的 PostgreSQL/pgvector 版本为准。